栗子 发自 凹非寺
量子位 报道 | 公众号 QbitAI
有一份机器学习PPT，在Reddit论坛获得了墙裂欢迎，一日之间揽下400分。
这份PPT来自伯克利CS 189/289课程，从线性代数复习，到线性回归、随机森林、Boosting……各种方法与其中的知识要点全面覆盖，简洁明晰。
在这些词条里，任选一个往下划，都会发现许多宝藏。
比如，下面就是高斯判别分析 (GDA) 。里面讲到了生成模型，模型里的假设，以及不同方法之间的对比。
前往课程主页，就可以把课件与各种配套资料搭配食用；伯克利还把课件的源码放上了GitHub。
那么，一起来观赏一下这份入门佳品。
“给你指了条明路”作为一门友好的基础课，当然要从零开始。
Introduction章节，先介绍了各式各样的机器学习任务：回归、分类、密度估计、降维......
又介绍了监督、半监督、无监督、强化学习，这些不同的学习方式。
然后，一张美好的地图在眼前展开，这是用scikit-learn玩转各种任务的路线图。
△ 回归、分类、聚类、降维
从原点出发，按图索骥，就能到达希望的终点。
比如分类任务上，可能用到支持向量机 (SVM) 。
这时候，翻一下支持向量机的词条：
它会告诉你，逻辑回归解决不了问题，支持向量机或许可以。
原理，用法，以及通常拿来做怎样的任务，都在这里了。
再比如，决策树/随机森林，也是分类方法。
方法背后的理论，用到的split函数，贪心算法等等，这里都会娓娓道来。
如果感觉PPT的介绍太简约，还可以搭配168页课程笔记食用。
笔记一共有23章，课件上的每个词条，几乎都能找到相应的章节。比如，最后一个词条Boosting，就对应笔记里的第24章。
打开这个章节，任意翻到一页：
文字详尽，人类易懂，插图优雅。
从权重初始化开始，Adaboost的每一步都有介绍。
另外，为什么要用Boosted Tree，也是条分缕析：一是快，二是不用搜索超参数，三是偏差方差权衡容易做……
这样一来，刚入坑的你，也可以愉快地学习了。
去吧，皮卡丘除了PPT和笔记之外，课程主页上还有作业和考卷，可以用来检测你的学习成果。
那么，现在就开始学习吧。
PPT传送门：
/#/
CS 189/289课程笔记：
CS 189/289课程主页：
/
GitHub传送门：
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
